def cross_entropy_error(y, t): if y.ndim == 1: t = t.reshape(1, t.size) y = y.reshape(1, y.size) # 监督数据是one-hot-vector的情况下，转换为正确解标签的索引 if t.size == y.size: t = t.argmax(axis=1) batch_size = y.shape[0] return -np.sum(np.log(y[np.arange(batch_size), t] + 1e-7)) / batch_size

这是交叉熵误差（Cross Entropy Error）损失函数，用于衡量神经网络输出与目标值之间的差距。交叉熵误差通常用于多分类任务，其定义为预测值与真实值之间的交叉熵，也就是预测值的自然对数与真实值的点积，再取相反数。当预测值与真实值完全一致时，交叉熵误差为 0，否则交叉熵误差越大，表示预测值与真实值之间的差距越大，模型的性能越差。在神经网络中，交叉熵误差损失函数常被用于多分类问题的训练，例如识别手写数字等任务。反向传播算法使用交叉熵误差损失函数的导数来更新网络参数，使得损失函数不断减小，模型不断优化。